CN111551361A - 行星齿轮传动系统故障状态识别方法 - Google Patents
行星齿轮传动系统故障状态识别方法 Download PDFInfo
- Publication number
- CN111551361A CN111551361A CN202010242786.3A CN202010242786A CN111551361A CN 111551361 A CN111551361 A CN 111551361A CN 202010242786 A CN202010242786 A CN 202010242786A CN 111551361 A CN111551361 A CN 111551361A
- Authority
- CN
- China
- Prior art keywords
- signal
- state
- planetary gear
- transmission system
- gear transmission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 120
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 238000003786 synthesis reaction Methods 0.000 claims description 16
- 239000002131 composite material Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010044048 Tooth missing Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明适用于机械系统故障状态识别技术领域,提供了一种行星齿轮传动系统故障状态识别方法,该方法包括:采集行星齿轮传动系统的第一状态信号;对第一状态信号进行降噪处理,获得第一重构信号;根据第一重构信号建立行星齿轮传动系统的状态密度矩阵;根据状态密度矩阵,获得行星齿轮传动系统对应的相关瑞丽熵;当相关瑞丽熵处于预设范围内时,获得行星齿轮传动系统对应的故障状态。本发明的行星齿轮传动系统故障状态识别方法,利用相关瑞丽熵对行星齿轮传动系统的故障状态进行识别,当相关瑞丽熵处于预设范围内时,识别预设范围内对应的故障状态,方法简单,能够准确地获得行星齿轮传动系统的故障状态识别结果。
Description
技术领域
本发明属于机械系统故障状态识别技术领域,尤其涉及一种行星齿轮传动系统故障状态识别方法。
背景技术
行星齿轮传动系统具有传动比高等众多优点,被广泛应用于风电设备、军用设备、重载车辆和大型机械设备等领域,近年来,由于行星齿轮传动系统故障导致重大安全事故和人员伤亡的案例屡见不鲜,行星齿轮传动系统运行的安全稳定性至关重要。因此,准确识别和诊断行星齿轮传动系统的运行状态一直吸引着各个领域专家学者的关注。
振动信号可以直接反应行星齿轮传动系统的运行信息,但是,当行星齿轮传动系统发生故障时,会导致系统非线性振动,非线性振动与自身传动振动和啮合振动耦合,使行星齿轮传动系统的振动信号具有明显的复杂性、非线性和非平稳性等特点。这些特点导致行星齿轮传动系统的状态监测和故障诊断的难度较大。
传统方法通过比较时域和频域特征指标进行运行状态的研判,但传统方法不能深入了解产生振动信号的齿轮动态系统,在识别齿轮早期缺陷方面的灵敏度较差。熵是检测时间序列不确定性和动态特性变化的最有力的工具之一,香农熵、样本熵和排列熵等方法可以度量非线性系统时间序列的复杂性。引入熵等评价时间序列复杂程度指标可以有效地从行星齿轮传动系统故障部件的振动信号中发现微弱的状态特征,准确识别其运行状态。国内外学者在行星齿轮传动系统故障状态评估指标等方面进行了深入研究,为了从振动信号中提取状态特征,近年来相继将能量熵、样本熵和排列熵等方法应用于行星齿轮传动系统的状态监测和故障诊断。但是,上述方法仅能从单独的时间序列中提取单一状态特征值,无法分析信号之间存在的耦合性和相关性,无法全面地评价和评估行星齿轮传动系统的真实运行状态,这导致了现有方法在进行行星齿轮传动系统状态监测和故障诊断中的成功率较低。
发明内容
有鉴于此,本发明实施例提供了一种行星齿轮传动系统故障状态识别方法,以解决现有技术中行星齿轮传动系统状态监测和故障诊断的难度较大、成功率较低的问题。
本发明实施例提供了一种行星齿轮传动系统故障状态识别方法,包括:
采集行星齿轮传动系统的第一状态信号;
对所述第一状态信号进行降噪处理,获得第一重构信号;
根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵;
根据所述状态密度矩阵,获得所述行星齿轮传动系统对应的相关瑞丽熵;
当所述相关瑞丽熵处于预设范围内时,获得所述行星齿轮传动系统对应的故障状态。
可选的,所述对所述第一状态信号进行降噪处理,获得第一重构信号,包括:
获取预设测量矩阵和预设传感矩阵;
根据预设测量矩阵对所述第一状态信号进行采样,获得第一初始残差;
计算所述预设传感矩阵与所述第一初始残差的第一最大投影系数值,并根据所述第一最大投影系数值获得第一恢复矩阵;
根据所述第一恢复矩阵计算第一初始重构信号;
根据所述第一恢复矩阵与所述第一初始重构信号更新所述第一初始残差;
根据所述预设传感矩阵和更新后的第一初始残差,计算更新后的第一初始重构信号;
根据上述计算更新后的第一初始重构信号的方式迭代计算,直到更新次数达到预设次数时,获得第一重构信号。
可选的,所述第一重构信号包括水平方向的第一重构信号和垂直方向的第一重构信号;
所述根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵,包括:
对所述水平方向的第一重构信号和所述垂直方向的第一重构信号进行全矢合成,获得第一全矢合成信号;
根据所述第一全矢合成信号与预设全矢合成信号,建立所述行星齿轮传动系统的状态密度矩阵。
可选的,所述根据所述第一全矢合成信号与预设全矢合成信号,建立所述行星齿轮传动系统的状态密度矩阵,包括:
根据所述第一全矢合成信号与预设全矢合成信号,获得欧式空间中的合并信号;
对所述合并信号进行正交化处理,获得所述合并信号的正交信号;
将所述正交信号分别映射到列向量空间和所述列向量空间的转置空间,获得态矢量表征的正交信号;
根据所述态矢量表征的正交信号,建立所述行星齿轮传动系统的状态密度矩阵。
可选的,所述根据所述态矢量表征的正交信号,建立所述行星齿轮传动系统的状态密度矩阵,包括:
其中,ρ为所述行星齿轮传动系统当前状态与正常状态间的状态密度矩阵,|ψ1>为所述行星齿轮传动系统当前状态对应的态矢量中的列向量形式表征的正交信号,<ψ1|为所述行星齿轮传动系统当前状态对应的态矢量中的行向量形式表征的正交信号,|ψ2>为所述行星齿轮传动系统正常状态对应的态矢量中的列向量形式表征的正交信号,<ψ2|为所述行星齿轮传动系统正常状态对应的态矢量中的行向量形式表征的正交信号。
可选的,所述第一重构信号包括水平方向的第一重构信号和垂直方向的第一重构信号;
所述根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵,包括:
分别对所述水平方向的第一重构信号和所述垂直方向的第一重构信号进行正交化处理,获得水平方向对应的第一正交信号和垂直方向对应的第二正交信号;
根据所述第一正交信号和所述第二正交信号,获得态矢量中的行向量形式表征的第一正交信号、态矢量中的列向量形式表征的第一正交信号、态矢量中的行向量形式表征的第二正交信号和态矢量中的列向量形式表征的第二正交信号;
根据所述态矢量中的行向量形式表征的第一正交信号、所述态矢量中的列向量形式表征的第一正交信号、所述态矢量中的行向量形式表征的第二正交信号和所述态矢量中的列向量形式表征的第二正交信号,建立所述行星齿轮传动系统的状态密度矩阵。
本发明实施例与现有技术相比存在的有益效果是:通过采集行星齿轮传动系统的第一状态信号,并对第一状态信号进行降噪处理,获得第一重构信号,经过降噪处理后的第一重构信号,对第一状态信号中的有用部分进行了增强,具有良好的信噪比;在获得第一重构信号后,根据第一重构信号建立行星齿轮传动系统的状态密度矩阵,获得的状态密度矩阵可以很好的描述行星齿轮传动系统的状态特征,根据可以对行星齿轮传动系统良好表征的状态密度矩阵,计算行星齿轮传动系统对应的相关瑞丽熵,当相关瑞丽熵处于预设范围内时,识别行星齿轮传动系统在预设范围内对应的故障状态,相关瑞丽熵对行星齿轮传动系统的运行状态的变化具有足够的鲁棒性,利用相关瑞丽熵对行星齿轮传动系统的故障状态进行度量,方法简单,并且能够准确地获得行星齿轮传动系统的故障状态识别结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的行星齿轮传动系统故障状态识别方法的实现流程示意图;
图2是本发明实施例提供的进行降噪处理的实现流程示意图;
图3(1)是本发明实施例提供的τ∈(0,5]范围内行星齿轮传动系统故障状态与正常状态之间的多尺度相关瑞丽熵曲线图;
图3(2)是本发明实施例提供的τ∈[2,5)范围内行星齿轮传动系统故障状态与正常状态之间的多尺度相关瑞丽熵曲线图;
图4是本发明实施例提供的τ=2时行星齿轮传动系统在预设时间段内的单尺度相关瑞丽熵曲线图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的行星齿轮传动系统故障状态识别方法的实现流程示意图,详述如下。
步骤S1,采集行星齿轮传动系统的第一状态信号。
其中,第一状态信号可以为反应行星齿轮传动系统的运行信息的振动信号,例如加速度信号或速度信号,可以采用振动加速度传感器采集行星齿轮传动系统的第一状态信号。
可选的,采集行星齿轮传动系统的第一状态信号可以包括:采集行星齿轮传动系统水平方向的第一状态信号和垂直方向的第一状态信号。
步骤S2,对第一状态信号进行降噪处理,获得第一重构信号。
其中,行星齿轮传动系统发生故障时,会导致系统非线性振动,非线性振动与自身传动振动和啮合振动耦合,使行星齿轮传动系统的振动信号具有明显的复杂性、非线性和非平稳性等特点,因此在对采集的第一状态信号进行分析之前,可以对第一状态信号进行降噪处理,去除第一状态信号中的外部噪声信息,增强第一状态信号中的有效故障特征信息,获得信噪比较高的第一重构信号。
可选的,可以分别对水平方向的第一状态信号和垂直方向的第一状态信号进行降噪处理,获得水平方向的第一重构信号和垂直方向的第一重构信号。
可选的,参见图2,对第一状态信号进行降噪处理,获得第一重构信号,可以包括:
步骤S21,获取预设测量矩阵和预设传感矩阵。
其中,预设测量矩阵可以为m×n的高斯随机矩阵Φ,其中,预设测量矩阵Φ可以包括n个列向量φ1,φ2…φn,每个列向量含有的行数为m,预设测量矩阵Φ中的每一个值都满足N(0,1/n)的独立正态分布。
可选的,可以根据预设测量矩阵Φ和预设稀疏基矩阵ψ建立预设传感矩阵Θ。
步骤S22,根据预设测量矩阵对第一状态信号进行采样,获得第一初始残差。
其中,根据预设测量矩阵对X和Y方向的信号进行采样,获得两个方向的第一状态信号,以水平方向的第一状态信号的采样结果作为水平方向的第一初始残差γ1,并以垂直方向的第一状态信号的采样结果作为垂直方向的第一初始残差γ2。
步骤S23,计算预设传感矩阵与第一初始残差的第一最大投影系数值,并根据第一最大投影系数值获得第一恢复矩阵。
其中,第一初始残差为第一次迭代时的残差,包括水平方向的第一初始残差γ1和垂直方向的第一初始残差γ2,投影系数值代表第一初始残差与预设传感矩阵中的每个列向量间的相关性,第一最大投影系数值即预设传感矩阵中与第一初始残差相关性最大的值,利用第一最大投影系数值对应的预设传感矩阵中的列向量构成第一恢复矩阵。
步骤S24,根据第一恢复矩阵计算第一初始重构信号。
可选的,根据第一恢复矩阵计算第一初始重构信号,可以包括:
根据第一恢复矩阵,通过伪逆处理获得第一对称矩阵。
对第一对称矩阵进行分解,获得第一分解结果,并根据第一分解结果获得第一对称矩阵的逆。
步骤S25,根据第一恢复矩阵与第一初始重构信号更新第一初始残差。
步骤S26,根据预设传感矩阵和更新后的第一初始残差,计算更新后的第一初始重构信号。
步骤S27,根据上述计算更新后的第一初始重构信号的方式迭代计算,直到更新次数达到预设次数时,获得第一重构信号。
步骤S3,根据第一重构信号建立行星齿轮传动系统的状态密度矩阵。
作为本发明的一实施例,根据第一重构信号建立行星齿轮传动系统的状态密度矩阵,可以包括:
对所述水平方向的第一重构信号和所述垂直方向的第一重构信号进行全矢合成,获得第一全矢合成信号。
可选的,可以根据下式获得第一全矢合成信号{Z1}:
根据所述第一全矢合成信号与预设全矢合成信号,建立所述行星齿轮传动系统的状态密度矩阵。
其中,预设全矢合成信号为行星齿轮传动系统正常状态的全矢合成信号,可以按照获得第一全矢合成信号{Z1}的方法,在行星齿轮传动系统处于正常状态时,分别采集正常状态下水平方向的第二状态信号和垂直方向的第二状态信号,根据正常状态下水平方向的第二状态信号和垂直方向的第二状态信号,获得预设全矢合成信号。
可选的,根据所述第一全矢合成信号与预设全矢合成信号,建立所述行星齿轮传动系统的状态密度矩阵,可以包括:
根据所述第一全矢合成信号与预设全矢合成信号,获得欧式空间中的合并信号。
其中,在欧式空间中,第一全矢合成信号与预设全矢合成信号所得的合并信号形成的向量组Z={ζ1,ζ2}为线性无关。
对所述合并信号进行正交化处理,获得所述合并信号的正交信号。
可选的,可以对合并信号进行施密特正交化处理,使得合并信号ζi(i=1,2)之间相互正交,得到等价于合并信号ζi(i=1,2)的正交信号ψi(i=1,2)。
将所述正交信号分别映射到列向量空间和所述列向量空间的转置空间,获得态矢量表征的正交信号。
可选的,可以根据下式获得态矢量表征的正交信号:
其中,|ψ1>为所述行星齿轮传动系统当前状态对应的态矢量中的列向量形式表征的正交信号,<ψ1|为所述行星齿轮传动系统当前状态对应的态矢量中的行向量形式表征的正交信号,|ψ2>为所述行星齿轮传动系统正常状态对应的态矢量中的列向量形式表征的正交信号,<ψ2|为所述行星齿轮传动系统正常状态对应的态矢量中的行向量形式表征的正交信号。
根据所述态矢量表征的正交信号,建立所述行星齿轮传动系统的状态密度矩阵。
可选的,所述根据所述态矢量表征的正交信号,建立所述行星齿轮传动系统的状态密度矩阵,可以包括:
其中,ρ为所述行星齿轮传动系统当前状态与正常状态间的状态密度矩阵,|ψ1>为所述行星齿轮传动系统当前状态对应的态矢量中的列向量形式表征的正交信号,<ψ1|为所述行星齿轮传动系统当前状态对应的态矢量中的行向量形式表征的正交信号,|ψ2>为所述行星齿轮传动系统正常状态对应的态矢量中的列向量形式表征的正交信号,<ψ2|为所述行星齿轮传动系统正常状态对应的态矢量中的行向量形式表征的正交信号。
作为本发明的又一实施例,所述根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵,可以包括:
根据所述第一正交信号和所述第二正交信号,获得态矢量中的行向量形式表征的第一正交信号<ψx|、态矢量中的列向量形式表征的第一正交信号|ψx>、态矢量中的行向量形式表征的第二正交信号<ψy|和态矢量中的列向量形式表征的第二正交信号|ψy>。
步骤S4,根据状态密度矩阵,获得行星齿轮传动系统对应的相关瑞丽熵。
作为本发明的一实施例,根据状态密度矩阵,获得行星齿轮传动系统对应的相关瑞丽熵,可以包括:根据第一全矢合成信号与预设全矢合成信号,建立的行星齿轮传动系统的状态密度矩阵ρ,获得行星齿轮传动系统对应的相关瑞丽熵:
其中τ为行星齿轮传动系统对应的相关瑞丽熵的尺度参数。
其中,行星齿轮传动系统对应的相关瑞丽熵Sτ(ρ)为行星齿轮传动系统当前状态与正常状态之间的相关瑞丽熵。
其中,行星齿轮传动系统对应的相关瑞丽熵Sτ(ρ')为行星齿轮传动系统当前状态水平方向和垂直方向间的相关瑞丽熵。
步骤S5,当相关瑞丽熵处于预设范围内时,获得行星齿轮传动系统对应的故障状态。
作为本发明的一实施例,当相关瑞丽熵为行星齿轮传动系统当前状态与正常状态之间的相关瑞丽熵Sτ(ρ)时,可以获得尺度参数τ∈[2,5]范围内相关瑞丽熵的平均值当相关瑞丽熵的平均值语处于预设范围内时,获得行星齿轮传动系统预设范围对应的故障状态。
其中,行星齿轮传动系统常见的故障状态有磨损、断齿、缺齿和裂纹,参见图3(1),利用获得行星齿轮传动系统当前状态与正常状态之间的相关瑞丽熵的方法,可以分别获得行星齿轮传动系统故障状态与正常状态之间(磨损-正常、断齿-正常、缺齿-正常和裂纹-正常)的多尺度相关瑞丽熵曲线,其中相关瑞丽熵曲线的尺度参数范围为τ∈(0,5],其中,在τ∈(0,0.3]时,相关瑞丽熵值递减且大于零,在该参数区间内,行星齿轮传动系统中不同状态间的全矢信号间的相关瑞丽熵数值几乎一样;τ∈[0.3,0.9]时相关瑞丽熵值大于0且与尺度参数呈正相关,并在τ=0.9处达到峰值,四种故障齿轮状态得到区分,磨损-正常,断齿-正常,缺齿-正常和裂纹-正常的峰值依次大约为0.654,0.822,1.115,1.2695;τ∈[0.9,1)时,相关瑞丽熵急剧下降,完成正熵到负熵的转变,并在τ=1.1处达到最小值,行星齿轮传动系统中四种故障状态下全矢信号与正常状态全矢信号的相关瑞丽熵谷值依次为-15.930,-20.247,-27.76,-31.721;τ∈(1,2]各状态下的相关瑞丽熵值增大并持续保持着原有的故障顺序,τ∈[2,5)时各状态下的相关瑞丽熵值趋于稳定,并在τ=5时都收敛于一个定值,依次大约为-1.80,-2.3,-3.1,-3.5。
为了更清晰的判断故障顺序,可以参见图3(2),由于四种故障状态对应的多尺度相关瑞丽熵曲线代表的故障顺序不变,且种故障状态对应的多尺度相关瑞丽熵曲线在τ∈[2,5)时各状态下的相关瑞丽熵值趋于稳定,因此,可以分别获得行星齿轮传动系统磨损-正常时在τ∈[2,5)对应的第一预设范围,断齿-正常时在τ∈[2,5)对应的第二预设范围,缺齿-正常时在τ∈[2,5)对应的第三预设范围和裂纹-正常在τ∈[2,5)对应的第四预设范围,当检测到行星齿轮传动系统当前状态与正常状态间的相关瑞丽熵处于第一预设范围时,即可获得行星齿轮传动系统当前状态为磨损状态;当检测到行星齿轮传动系统当前状态与正常状态间的相关瑞丽熵处于第二预设范围时,即可获得行星齿轮传动系统当前状态为断齿状态;当检测到行星齿轮传动系统当前状态与正常状态间的相关瑞丽熵处于第三预设范围时,即可获得行星齿轮传动系统当前状态为缺齿状态;当检测到行星齿轮传动系统当前状态与正常状态间的相关瑞丽熵处于第四预设范围时,即可获得行星齿轮传动系统当前状态为裂纹状态。
作为本发明的又一实施例,参见图4,当相关瑞丽熵为行星齿轮传动系统当前状态水平方向和垂直方向间的相关瑞丽熵Sτ(ρ')时,可以获得尺度参数τ=2的预设时间段内的单尺度相关瑞丽熵曲线,当所述单尺度相关瑞丽熵曲线处于下降趋势时,可以判断当前行星齿轮传动系统处于非正常状态,并且可以准确的获得行星齿轮传动系统处于非正常状态的时间(也就是行星齿轮传动系统故障发生的时间)。
上述行星齿轮传动系统故障状态识别方法,通过采集行星齿轮传动系统水平方向的第一状态信号和垂直方向的第一状态信号,并通过水平方向的第一状态信号和垂直方向的第一状态信号获得第一重构信号,在获得第一重构信号后,根据第一重构信号建立行星齿轮传动系统的状态密度矩阵,获得的状态密度矩阵可以全方面的描述行星齿轮传动系统的状态特征,根据可以对行星齿轮传动系统良好表征的状态密度矩阵,计算行星齿轮传动系统对应的相关瑞丽熵,当相关瑞丽熵处于预设范围内时,识别行星齿轮传动系统在预设范围内对应的故障状态,相关瑞丽熵对行星齿轮传动系统的运行状态的变化具有足够的鲁棒性,利用相关瑞丽熵对行星齿轮传动系统的故障状态进行度量,方法简单,并且能够准确地获得行星齿轮传动系统的故障状态识别结果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种行星齿轮传动系统故障状态识别方法,其特征在于,包括:
采集行星齿轮传动系统的第一状态信号;
对所述第一状态信号进行降噪处理,获得第一重构信号;
根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵;
根据所述状态密度矩阵,获得所述行星齿轮传动系统对应的相关瑞丽熵;
当所述相关瑞丽熵处于预设范围内时,获得所述行星齿轮传动系统对应的故障状态。
2.如权利要求1所述的行星齿轮传动系统故障状态识别方法,其特征在于,所述对所述第一状态信号进行降噪处理,获得第一重构信号,包括:
获取预设测量矩阵和预设传感矩阵;
根据预设测量矩阵对所述第一状态信号进行采样,获得第一初始残差;
计算所述预设传感矩阵与所述第一初始残差的第一最大投影系数值,并根据所述第一最大投影系数值获得第一恢复矩阵;
根据所述第一恢复矩阵计算第一初始重构信号;
根据所述第一恢复矩阵与所述第一初始重构信号更新所述第一初始残差;
根据所述预设传感矩阵和更新后的第一初始残差,计算更新后的第一初始重构信号;
根据上述计算更新后的第一初始重构信号的方式迭代计算,直到更新次数达到预设次数时,获得第一重构信号。
3.如权利要求1所述的行星齿轮传动系统故障状态识别方法,其特征在于,所述第一重构信号包括水平方向的第一重构信号和垂直方向的第一重构信号;
所述根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵,包括:
对所述水平方向的第一重构信号和所述垂直方向的第一重构信号进行全矢合成,获得第一全矢合成信号;
根据所述第一全矢合成信号与预设全矢合成信号,建立所述行星齿轮传动系统的状态密度矩阵。
4.如权利要求3所述的行星齿轮传动系统故障状态识别方法,其特征在于,所述根据所述第一全矢合成信号与预设全矢合成信号,建立所述行星齿轮传动系统的状态密度矩阵,包括:
根据所述第一全矢合成信号与预设全矢合成信号,获得欧式空间中的合并信号;
对所述合并信号进行正交化处理,获得所述合并信号的正交信号;
将所述正交信号分别映射到列向量空间和所述列向量空间的转置空间,获得态矢量表征的正交信号;
根据所述态矢量表征的正交信号,建立所述行星齿轮传动系统的状态密度矩阵。
6.如权利要求1所述的行星齿轮传动系统故障状态识别方法,其特征在于,所述第一重构信号包括水平方向的第一重构信号和垂直方向的第一重构信号;
所述根据所述第一重构信号建立所述行星齿轮传动系统的状态密度矩阵,包括:
分别对所述水平方向的第一重构信号和所述垂直方向的第一重构信号进行正交化处理,获得水平方向对应的第一正交信号和垂直方向对应的第二正交信号;
根据所述第一正交信号和所述第二正交信号,获得态矢量中的行向量形式表征的第一正交信号、态矢量中的列向量形式表征的第一正交信号、态矢量中的行向量形式表征的第二正交信号和态矢量中的列向量形式表征的第二正交信号;
根据所述态矢量中的行向量形式表征的第一正交信号、所述态矢量中的列向量形式表征的第一正交信号、所述态矢量中的行向量形式表征的第二正交信号和所述态矢量中的列向量形式表征的第二正交信号,建立所述行星齿轮传动系统的状态密度矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242786.3A CN111551361A (zh) | 2020-03-31 | 2020-03-31 | 行星齿轮传动系统故障状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242786.3A CN111551361A (zh) | 2020-03-31 | 2020-03-31 | 行星齿轮传动系统故障状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111551361A true CN111551361A (zh) | 2020-08-18 |
Family
ID=72002292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010242786.3A Pending CN111551361A (zh) | 2020-03-31 | 2020-03-31 | 行星齿轮传动系统故障状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111551361A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0242086A2 (en) * | 1986-04-18 | 1987-10-21 | Eaton Corporation | Method for controlling AMT system including gear neutral sensor signal fault detector and tolerance |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
KR101492088B1 (ko) * | 2013-11-21 | 2015-02-10 | 이선휘 | 유성기어 장치의 결함 검출 및 이상 진단 방법 |
-
2020
- 2020-03-31 CN CN202010242786.3A patent/CN111551361A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0242086A2 (en) * | 1986-04-18 | 1987-10-21 | Eaton Corporation | Method for controlling AMT system including gear neutral sensor signal fault detector and tolerance |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
KR101492088B1 (ko) * | 2013-11-21 | 2015-02-10 | 이선휘 | 유성기어 장치의 결함 검출 및 이상 진단 방법 |
Non-Patent Citations (5)
Title |
---|
RICHARD BARANIUK: "Compressive sensing", 《IEEE SIGNAL PROCESSING MAGAZINE》 * |
ZHE WU,ET AL: "A New Method of Two-stage Planetary Gearbox Fault Detection Based on Multi-Sensor Information Fusion", 《APPLIED SCIENCES》 * |
ZHE WU,ET AL: "Information Dynamic Correlation of Vibration in Nonlinear Systems", 《ENTROPY》 * |
丁伟等: "基于形态小波与排列熵的变速器齿轮故障识别方法", 《机械传动》 * |
姜保军,曹浩: "基于小波分解和样本熵的GA-SVM 齿轮箱故障诊断", 《组合机床与自动化加工技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102209401B1 (ko) | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN105973593A (zh) | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 | |
CN106779217B (zh) | 空气质量检测方法和空气质量检测系统 | |
CN111582137B (zh) | 一种滚动轴承信号重构方法及系统 | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
CN102155988A (zh) | 设备监诊方法 | |
CN110040594B (zh) | 一种基于卷积神经网络的电梯运行检测系统及方法 | |
Du et al. | Convolutional sparse learning for blind deconvolution and application on impulsive feature detection | |
CN109470972B (zh) | 一种基于振动图像的变压器铁心松动诊断方法 | |
CN111170103A (zh) | 设备故障识别方法 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN111458146B (zh) | 一种滚动轴承多测量点振动信号压缩采样与同步重构方法 | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
Zhou et al. | A novel blind deconvolution method with adaptive period estimation technique and its application to fault feature enhancement of bearing | |
CN111551361A (zh) | 行星齿轮传动系统故障状态识别方法 | |
CN111353415B (zh) | 一种脉冲响应中谐波成分的检测方法 | |
CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
CN116563110A (zh) | 基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法 | |
CN110956112A (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN114084764B (zh) | 一种电梯乘运质量检测方法及检测系统 | |
CN116026591A (zh) | 张量奇异谱分解方法 | |
CN108613695B (zh) | 基于ica-sprt的冗余传感器故障检测方法 | |
CN113218683A (zh) | 一种基于振动信号的石油井下电动套管切割器故障识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |